WO2021100967A1 - 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 - Google Patents

초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 Download PDF

Info

Publication number
WO2021100967A1
WO2021100967A1 PCT/KR2019/017803 KR2019017803W WO2021100967A1 WO 2021100967 A1 WO2021100967 A1 WO 2021100967A1 KR 2019017803 W KR2019017803 W KR 2019017803W WO 2021100967 A1 WO2021100967 A1 WO 2021100967A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
information
facility
abnormal signal
sampling data
Prior art date
Application number
PCT/KR2019/017803
Other languages
English (en)
French (fr)
Inventor
이원근
Original Assignee
주식회사 모빅랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 모빅랩 filed Critical 주식회사 모빅랩
Priority to DE112019007899.2T priority Critical patent/DE112019007899T5/de
Priority to US17/003,562 priority patent/US20210149387A1/en
Publication of WO2021100967A1 publication Critical patent/WO2021100967A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/09—Analysing solids by measuring mechanical or acoustic impedance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37032—Generate vibrations, ultrasound

Definitions

  • the present invention relates to a facility failure prediction system and method using an ultrasonic band.
  • the present invention relates to a facility failure prediction system and method for providing failure prediction information for a facility by using a signal in an ultrasonic band among sound wave signals generated from a facility.
  • the failure prediction method currently used detects the abnormal state change of the facility, detects the defect that appears at this time, determines the condition of the facility or component, and predicts the lifespan.
  • a sensor that senses a signal related to a defect in the facility is directly attached to the facility, and it is possible to detect a facility problem by measuring changes in sound, vibration, heat, or current of the facility. Most were.
  • the present invention provides a facility failure prediction system and a method thereof, and has an object thereof.
  • an object of the present invention is to provide a facility failure prediction system and method for providing failure prediction information for a facility by using a signal in an ultrasonic band among sound wave signals generated from a facility, and an object thereof.
  • a failure prediction system includes: a detection sensor located adjacent to a facility and collecting sound wave signals from sound generated when the facility is operated; A sampling data extractor for sampling the sound wave signal and removing noise to extract sampling data; A signal discriminator for generating a plurality of discrimination information by discriminating whether the sampled data is a normal signal or an abnormal signal; An abnormal signal analyzer configured to generate abnormal signal analysis information by analyzing the sampling data corresponding to abnormal signal identification information determined as an abnormal signal among the plurality of identification information; And a pattern analyzer for providing failure prediction information for the facility by analyzing patterns of the normal signal determination information and the abnormal signal analysis information determined as the normal signal among the plurality of determination information.
  • It may further include a database unit having a sampling data DB for storing the sampling data and a sensed signal information DB for storing discrimination information in which the sampled data is pin-coded as a normal signal or an abnormal signal.
  • the signal discriminator, the abnormal signal analyzer, and the pattern analyzer may be provided in one server.
  • the sampling data input to the signal discriminator may be subdivided information based on a predetermined time.
  • the abnormal signal analysis information output from the abnormal signal analyzer may include a value analyzed for the type and degree of the abnormality type for the sampling data corresponding to the abnormal signal identification information.
  • the pattern analyzer may receive the normal signal determination information from the detected signal information DB, and receive the abnormal signal analysis information from the abnormal signal analyzer to analyze the pattern of the information.
  • the pattern analyzer may analyze the pattern by arranging the normal signal determination information and the abnormal signal analysis information in a time series according to the order of time.
  • the detection sensor may be spaced apart from the facility.
  • the detection sensor converts the collected sound wave signal into a digital signal, but a sampling rate for converting the digital signal into a digital signal may be higher than 35 KHz, and as an example, the sampling rate may be between 35 KHz and 300 KHz. .
  • Either of the detection sensor or the server may filter a signal in an ultrasonic band from the collected sound wave signal.
  • Either of the detection sensor or the server may extract the sampling data by removing noise from the extracted ultrasonic band signal.
  • a facility failure prediction method includes a sampling data extraction step of extracting sampling data by sampling a sound wave signal generated from a facility and removing noise; A signal discrimination step of determining whether the sampled data is a normal signal or an abnormal signal, generating and storing discrimination information; An abnormal signal analysis step of receiving and analyzing sampling data corresponding to abnormal signal identification information pinned as an abnormal signal among the identification information, and outputting abnormal signal analysis information; And a pattern analysis step of analyzing a pattern of the facility failure from the normal signal determination information pinned to the normal signal among the plurality of determination information and the abnormal signal analysis information.
  • sampling data subdivided based on a predetermined time may be used.
  • the abnormal signal analysis information may include a value analyzed for the type and degree of an abnormality type for sampling data corresponding to the abnormal signal determination information.
  • the normal signal determination information and the abnormal signal analysis information may be arranged in a time series according to the order of time to analyze the pattern.
  • a sound wave collecting step of collecting sound wave signals from sound generated when the facility is operating; And an ultrasonic band filtering step of filtering the collected sound wave signal to extract a signal of the ultrasonic band.
  • the collected sound wave signal is converted into a digital signal, but a sampling rate for converting the collected sound wave signal into the digital signal may be higher than 35 KHz.
  • the facility failure prediction system and method according to an example of the present invention provide failure prediction information for facilities by using a signal in an ultrasonic band among sound wave signals generated during the operation of the facility, so that a user can quickly respond to facilities in a factory. It can be guided to do so, thereby minimizing the cost of damage caused by the outage of the plant.
  • FIG. 1 is a diagram for explaining an outline of a facility failure prediction system according to an example of the present invention.
  • FIG. 2 is a diagram for describing an example of the detection sensor 100 shown in FIG. 1.
  • FIG. 3 is a diagram illustrating an example of the server 200 to an example of the server 200 illustrated in FIG. 1.
  • 4 to 6 are diagrams for explaining an example of a facility failure prediction method according to an example of the present invention.
  • FIG. 7 is a diagram illustrating an example of failure prediction information provided by a facility failure prediction system according to an example of the present invention.
  • FIG. 1 is a diagram for explaining an outline of a facility failure prediction system according to an example of the present invention.
  • Facility failure prediction is a technology that detects abnormal conditions early by diagnosing the condition of the facility 10 in real time, predicts a failure that will occur in the future, and enables appropriate measures to be taken, thereby improving the stability of the facility 10.
  • the facility failure prediction system may include a detection sensor 100 and a server 200 necessary for predicting a facility failure, as shown in FIG. 1.
  • the detection sensor 100 is located adjacent to the facility 10, but may be physically spaced apart from the facility 10, and may collect sound wave signals from sound generated when the facility 10 is operated. .
  • the detection sensor 100 since the detection sensor 100 according to an example of the present invention collects ultrasonic sound wave signals, it is not necessary to directly contact the facility 10, and the shock generated during the operation of the facility 10 is not transmitted to the product, so it is relatively durable. Can be further improved.
  • the server 200 determines whether it is a normal signal or an abnormal signal, and for abnormal signal determination information determined as an abnormal signal
  • the abnormal signal analysis information may be generated by analyzing the sampling data, and failure prediction information for the facility 10 may be provided by analyzing a time series pattern of the abnormal signal analysis information.
  • the server 200 (1) determines whether the sampling data is a normal signal or an abnormal signal to generate a plurality of identification information, and (2) the abnormal signal identification information determined as an abnormal signal among the plurality of identification information. Generates abnormal signal analysis information analyzed for the corresponding sampling data, and (3) analyzes the pattern of the abnormal signal analysis information and the normal signal identification information determined as the normal signal among a plurality of identification information. Failure prediction information can be provided to the manager so that the facility 10 can take precautions before it completely fails.
  • the equipment failure prediction system can be expected to reduce repair costs through preliminary measures, because when a physical failure occurs in the general mechanical equipment 10, not only the failure part but also damage to the connected part is accompanied.
  • the facility failure prediction system since the facility failure prediction system according to an example of the present invention takes a considerable amount of time to repair the defective facility 10 when a failure of the facility 10 occurs, the operation rate by preventing the failure of the facility 10 through preliminary measures. Since this deteriorating situation can be blocked, an effect of improving product productivity can be expected.
  • the facility failure prediction system enables preliminary measures for abnormal conditions of the facility 10 through facility failure prediction, thereby preventing product quality degradation, which is one of the precursor symptoms of the facility 10 failure. You can expect to maintain and improve the quality of your products.
  • a high-sensitivity audio card capable of measuring an ultrasonic band may be included in the detection sensor 100 for fine detection.
  • sampling data from which noise from the factory environment is removed may be extracted before analyzing the sound wave signal, and machine learning to determine whether the extracted sampling data is a normal signal or an abnormal signal. Can be applied.
  • sampling data is determined to be an abnormal signal
  • a deep learning algorithm is applied using the sampling data, which is low data for the abnormal signal, so that the abnormal signal is more accurately and efficiently detected. It can provide anomaly signal analysis information about the type and degree of anomaly types of facilities that are generated.
  • FIG. 2 is a diagram for describing an example of the detection sensor 100 shown in FIG. 1
  • FIG. 3 is a diagram for explaining an example of the server 200 to an example of the server 200 shown in FIG. 1 to be.
  • the ultrasonic band filtering module 130 may be provided in the server 200 rather than the monitoring sensor.
  • the detection sensor 100 includes the ultrasonic band filtering module 130, and the server 200 does not include the ultrasonic band filtering module 130.
  • the detection sensor 100 includes the ultrasonic band filtering module 130
  • the server 200 does not include the ultrasonic band filtering module 130. The case where it does not will be described as an example.
  • the server 200 is provided with the sampling data extractor 213, and the detection sensor 100 is shown as an example the case where the sampling data extractor 213 is not provided, but the present invention must be This is not limited thereto, and unlike FIGS. 2 and 3, it is possible that the detection sensor 100 includes the sampling data extractor 213 and the server 200 does not include the sampling data extractor 213.
  • the server 200 includes the sampling data extractor 213 and the detection sensor 100 does not include the sampling data extractor 213 It will be described as an example.
  • FIG. 3 a case where the signal discriminator 214, the abnormal signal analyzer 215, and the pattern analyzer 216 are provided in one server is illustrated as an example, but the present invention is not necessarily limited thereto, and signal discrimination Each of the device 214, the abnormal signal analyzer 215, and the pattern analyzer 216 may be spaced apart from each other and provided in different servers.
  • the detection sensor 100 includes a sensing unit 110, a sampling unit 120, an ultrasonic band filtering module 130, and a communication unit 140 to collect sound wave signals from sound generated when the facility 10 is operating.
  • the sensing unit 110 may collect sound wave signals from sound generated when the facility 10 operates in a state that is physically separated from the facility 10.
  • the sensing unit 110 may be provided with a MEMS microcircuit.
  • the sampling unit 120 may serve to convert the sound wave signal collected in the form of an analog signal by the sensing unit 110 into a digital signal.
  • a separate filter and an amplifying circuit are provided.
  • a sampling rate for converting to a digital signal can be made higher than 35 KHz.
  • the sampling ratio may be between 35KHz and 300KHz, preferably between 100KHz and 300KHz, more preferably between 190KHz and 300KHz.
  • the ultrasonic band filtering module 130 may filter and extract an ultrasonic band signal from the digital sound wave signal sampled with high sensitivity. That is, a signal in a lower band than the ultrasonic band may be removed from the sound wave signal, and only the sound wave signal in the ultrasonic band may be extracted.
  • the sound wave signal in the ultrasonic band extracted as described above may be 35 KHz or more, and for example, may include a sound wave signal in the 35 KHz to 300 KHz band.
  • the communication unit 140 may transmit the sound wave signal collected by the detection sensor 100 to the server 200 through wireless or wired.
  • FIG. 1 a case in which the detection sensor 100 and the server 200 are connected by wire is illustrated as an example, but the present invention is not necessarily limited thereto, and the detection sensor 100 is connected to the server 200 wirelessly through the Internet network. It is also possible to be linked with.
  • the server 200 may include a control unit 210 and a database unit 220 as shown in FIG. 3.
  • the database unit 220 may store sampled data and perform signal determination on the sampled data to store discrimination information, which is data information that is determined whether it is a normal signal or an abnormal signal.
  • the database unit 220 includes a sampling data DB 221 in which sampling data in the form of low-data for a target signal is stored, and discrimination information generated by performing signal identification on the sampled data. It may include the stored sensed signal information DB (223).
  • the sampling data stored in the database unit 220 may have a form of low-data for a predetermined time reference with respect to a signal obtained by sampling an analog signal and converting it into a digital signal. .
  • Each of these sampling data may be subdivided and stored according to a predetermined time standard. For example, when the subdivided time reference is determined in units of 0.5msec, the sampling data stored in the sampling data DB 221 may have a time length of 0.5msec, and when the subdivided time reference is 1 second, the sampling data DB 221 The sampling data stored in) may have a length of time of 1 second.
  • the sampling data stored in the sampling data DB 221 may include information on a waveform of a corresponding signal and time information on sampling data during a predetermined time reference.
  • the length of time of the sampling data stored in the sampling data DB 221 may be preset in the server, and may be changed as much by the server administrator for optimization.
  • sampling data DB 221 can be used for initial training and testing of sampling data for signal discrimination, and can be used throughout the operation of the facility failure prediction system after the initial operation. It can be used to determine whether there is an abnormal signal in data.
  • the detected signal information DB 223 may store discrimination information obtained by performing signal discrimination on the sampled data in the sampling data DB 221.
  • each discrimination information includes discrimination information on whether the corresponding sampling data is a normal signal or an abnormal signal, and sampling. Identification information or time information for the data itself may be included.
  • normal signal determination information determined as a normal signal for the corresponding sampling data may be stored.
  • an abnormal signal is applied to the corresponding sampled data.
  • the abnormal signal determination information determined as may be stored.
  • the sum of the number of normal signal determination information stored in the detected signal information DB 223 and the total number of abnormal signal determination information may be equal to the sum of the total number of sampling data stored in the sampling data DB 221,
  • Each of the normal signal determination information and the abnormal signal determination information may be matched with each of the sampled data.
  • sampling data having a raw data format for the corresponding abnormal signal identification information may also be selected from the sampling data DB 221.
  • the controller 210 extracts the sampling data in the ultrasonic band from the sound wave signal to determine whether the signal-processed sampling data is a normal signal or an abnormal signal, and performs an abnormal signal analysis on the sampled data determined as an abnormal signal. It generates abnormal signal analysis information for the sampling data, arranges normal signal sampling information and abnormal signal analysis information in a time series, analyzes the time-series pattern of normal signal sampling information and abnormal signal analysis information, Predictive information can be provided.
  • control unit 210 may include a communication module 211, a sampling data extractor 213, a signal discriminator 214, an abnormal signal analyzer 215, a pattern analyzer 216, and an output module 217. have.
  • the communication module 211 may be interlocked with the detection sensor 100 by wire or wirelessly to receive a sound wave signal in an ultrasonic band transmitted from the detection sensor 100.
  • the sound wave signal input to the communication module of the server may be, for example, data information on a signal that has been sampled and filtered into an ultrasonic band.
  • the sampling data extractor 213 may extract sampling data by removing noise from an ultrasonic band signal input through a communication module.
  • the sound wave signal coming from the factory environment in which the facility 10 is located may be a sound wave signal obtained by synthesizing unnecessary noise information such as physical mechanical sound and human noise of the facility 10.
  • the sampling data extractor 213 filters and removes noise from such a sound wave signal, extracts sampling data from the sound wave signal generated by a specific part of the facility 10, and uses the extracted sampled data for data analysis, and analyzes Can increase the accuracy of.
  • control unit determines and analyzes the sampling data by using sampling data in the form of low-data by sampling, filtering the ultrasonic band, and removing noise from the sound wave signal measured in the facility.
  • predictive information about the facility can be provided to users or managers.
  • control unit may include a signal discriminator 214, an abnormal signal analyzer 215, and a pattern analyzer 216, as described above.
  • the signal discriminator 214 may determine whether each of the sampling data stored in the sampling data DB 221 is a normal signal or an abnormal signal, and may generate discrimination information for each of the determined sampling data.
  • the determination information is, for example, when certain sampling data is determined to be a normal signal, normal signal determination information Sn may be generated for the corresponding sampled data.
  • abnormal signal determination information Sa may be generated for the corresponding sampling data.
  • the signal discriminator 214 determines the normal signal discrimination information and the abnormal signal discrimination information for the plurality of sampled data may be updated and stored in the detected signal information DB 223.
  • the signal discriminator 214 may determine whether a normal signal or an abnormal signal for a plurality of sampled data is applied by applying the K-mean Algorithm of Unsupervised Learning among machine learning techniques.
  • the present invention is not necessarily limited to applying only the aforementioned machine learning.
  • a normal signal Training and a test may be performed to repeatedly determine whether or not the signal is an abnormal signal.
  • the signal discriminator 214 determines whether there is an abnormal signal for each of the sampling data stored in the sampling data DB 221, generates discrimination information, and detects the generated discrimination information, the signal information DB 223 Can be saved on.
  • the abnormal signal analyzer 215 may generate abnormal signal analysis information by analyzing the type and degree of the abnormal type with respect to the sampling data corresponding to the abnormal signal determination information determined as the abnormal signal by the signal discriminator 214. .
  • the abnormal signal analysis information generated by the abnormal signal analyzer 215 may include a value analyzed for the type and degree of the abnormal type for the corresponding sampling data.
  • Pattern analyzer 216 is determined by the signal discriminator 214, the abnormality of the sampling data of the normal signal discrimination information and the abnormal signal discrimination information analyzed by the abnormal signal analyzer 215 among the information stored in the database unit 220
  • the signal analysis information may be arranged in a time series and pattern analysis may be performed.
  • a pattern analysis program installed in advance may be used.
  • HMM Hidden Markov Model
  • Deep Learning learning models the Recurrent Neural Network, which is specialized for time series data analysis, is used as a learning model, long-term or short-term data to learn data patterns in various cases. Short Term Memory
  • the present invention is not necessarily limited thereto.
  • the pattern analyzer 216 analyzes the pattern information using the normal signal determination information and the abnormal signal analysis information, thereby determining the degree of a facility failure and determining the cause of the facility failure.
  • the output module 217 may provide failure prediction information for the facility 10 by using the degree and cause of the facility failure analyzed by the pattern analyzer 216.
  • 4 to 6 are diagrams for explaining an example of a facility failure prediction method according to an example of the present invention.
  • FIG. 4 is a flow chart showing a method for predicting equipment failure according to an example of the present invention
  • FIG. 5 is a signal determination step (S4), an abnormal signal analysis step (S5), and a pattern analysis step described in FIG. 4. It is a diagram for explaining (S6) in more detail
  • FIG. 6 is a diagram for explaining the flow of a signal when a facility failure prediction method is performed on the facility failure prediction system according to an example of the present invention.
  • the sound wave collection step (S1) the ultrasonic band filtering step (S2), the sampling data extraction step (S3), the signal determination step (S4), the above.
  • a signal analysis step (S5), a pattern analysis step (S6), and an output step (S7) may be included.
  • the detection sensor 100 may collect a sound wave signal from sound generated when the facility 10 operates.
  • the sound wave signal collected here may be an analog signal and may be converted into a digital signal.
  • a sampling rate for converting the collected sound wave signal to a digital signal may be between 35 KHz and 300 KHz, preferably 100 KHz to 300 KHz, more preferably. May be between 190KHz and 300KHz.
  • the ultrasonic band filtering step (S2) the ultrasonic band is filtered from the sound wave signal converted to the digital signal, so that the sound wave signal of the ultrasonic band may be extracted.
  • the sampling data may be extracted by removing noise from the extracted ultrasonic band signal.
  • the noise filtering method may obtain noise signal information about environmental noise or background noise in advance and apply it as a noise filter for the corresponding sound wave signal.
  • the noise filtering method of the present invention is not necessarily limited thereto, and may be performed in any other way.
  • the sampling data extracted in the sampling data extraction step may be subdivided data based on a predetermined time.
  • the sampling data subdivided based on a predetermined time may be stored in the sampling data DB 221 as shown in FIG. 6.
  • the sampling data stored in the sampling data DB 221 may include information on a waveform of a corresponding signal and information on a generation time of the sampling data.
  • the signal discriminator 214 receives sampling data from the sampling data DB 221, determines whether the sampled data is a normal signal or an abnormal signal, generates discrimination information, and detects the generated discrimination information. It can be stored in the signal information DB (223).
  • the signal discriminator 214 may determine whether a normal signal or an abnormal signal for a plurality of sampled data is applied, for example, by applying a K-mean Algorithm of Unsupervised Learning among machine learning techniques.
  • the present invention is not necessarily limited to applying only the aforementioned machine learning.
  • the discrimination information stored in the sensed signal information DB 223 may include discrimination information on whether the sampling data is a normal signal or an abnormal signal, and identification information or time information on the sampling data itself.
  • the determination information may include normal signal determination information Sn indicating that the sampled data is a normal signal and abnormal signal determination information Sa indicating that the sampled data is an abnormal signal.
  • sampling data 1 Normal signal discrimination information (Sn)
  • sampling data 2 normal signal discrimination information (Sn)
  • sampling data 3 abnormal signal discrimination information (Sa)
  • the identification information of may include identification information for the corresponding sampling data itself.
  • the discrimination information stored in the detected signal information DB 223 is whether the discrimination information for the sampling data is normal signal discrimination information (Sn) or abnormality. It distinguishes whether it is the signal discrimination information Sa, and when the discrimination information is the normal signal discrimination information Sn (S41 in FIG. 5), the control unit 210 performs the normal signal discrimination information Sn ) Can be output to the pattern analyzer 216.
  • the control unit 210 displays the sampling data DB 221 corresponding to the abnormal signal discrimination information Sa in the sensed signal information DB 223.
  • the sampling data of may be output to the abnormal signal analyzer 215.
  • the control unit 210 is configured to more closely analyze the corresponding sampling data of the abnormal signal discrimination information Sa, and the abnormal signal analyzer 215 By outputting the corresponding sampling data, the abnormal signal analysis step (S5) may be performed.
  • the abnormal signal analysis step S5 may generate abnormal signal analysis information by receiving and analyzing sampling data corresponding to the abnormal signal determination information Sa among the determination information.
  • the sampling data 3 when the sampling data 3 is determined to be an abnormal signal, the sampling data 3 corresponding to the abnormal signal determination information Sa is sampled data DB 221 ), it can be input to the abnormal signal analyzer 215.
  • the sampled data 3 may have a form of low-data for a predetermined time reference, and the abnormal signal analyzer 215 may analyze the raw data included in the sampled data 3.
  • the abnormal signal analyzer 215 may apply deep learning algorithms to analyze the sampling data determined as the abnormal signal.
  • the abnormal signal analysis information generated by analyzing the sampling data by the abnormal signal analyzer 215 includes a value analyzed for the type and degree of the abnormal type for the sampling data corresponding to the abnormal signal identification information (Sa). I can.
  • the abnormal signal analyzer 215 may generate abnormal signal analysis information such as R1-50%, R3-60%, and R5-30% as the abnormal signal analysis information.
  • the abnormal signal analyzer 215 may generate one type and degree of one abnormal type for one sampled data.
  • R1-50% indicating an abnormality type type 1 and a degree of 50% may be generated as abnormal signal analysis information.
  • R1-50%, R3-60%, and R5-30% may mean abnormal signal analysis information analyzed for each of the three sampling data.
  • R1, R3, R5, etc. may refer to the type of the abnormal type. That is, it may mean a type of generating the corresponding sampling data determined as an abnormal signal. This type of anomaly can be one of several causes of equipment failure.
  • the percentage linked to each of R1-50%, R3-60%, and R5-30% may mean the degree or severity of the type of abnormality.
  • the meaning of R3-60% corresponds to the abnormality type 3, which means that the degree is 60%, and the meaning of R5-30% is opposed to the abnormality type 5, and it may mean that the degree is 30%.
  • the abnormality type analyzed by the abnormality signal analyzer 215 may be set differently according to each facility, and may be changed as much as possible by an administrator or a user.
  • the abnormal signal analysis information analyzed by the abnormal signal analyzer 215 in the abnormal signal analysis step S5 may be output to the pattern analyzer 216, and then, the pattern analysis step S6 may be performed. .
  • the pattern analyzer 216 receives the normal signal identification information Sn, which is determined as a normal signal among a plurality of identification information, from the detected signal information DB 223, and receives the abnormal signal analysis information. It is received from the analyzer 215, it is possible to analyze the pattern of equipment failure.
  • the pattern analyzer 216 may arrange the normal signal identification information Sn and the abnormal signal analysis information in a time series according to the order of time.
  • a plurality of normal signal identification information (Sn) and abnormal signal analysis information can be arranged in a time series.
  • the pattern analyzer 216 may analyze such an arranged pattern.
  • the patterns arranged in a time series may be information obtained by analyzing characteristics of signals for each of the sampled data input in chronological order.
  • the pattern analyzer 216 may analyze a time-series pattern of the normal signal identification information Sn and the abnormal signal analysis information to determine the degree of failure of the facility and the cause of the failure of the facility.
  • HMM Hidden Markov Model
  • LSTM Long-Short Term Memory
  • the degree of failure of the facility analyzed by the pattern analyzer 216 and the cause of the failure may be output as facility failure prediction information.
  • FIG. 7 is a diagram illustrating an example of failure prediction information provided by a facility failure prediction system according to an example of the present invention.
  • the facility failure prediction system may provide failure prediction information, as shown in FIG. 7.
  • the failure prediction information may include at least the current state of the facility 10 and prediction information until a failure of the facility 10 occurs.
  • the failure prediction information includes the name of the facility 10, prediction information indicating the probability of occurrence of a failure in percent, the number of occurrences of a normal signal, the number of occurrences of an abnormal signal, and an abnormal type
  • the degree, occurrence interval, and predicted percentage until failure of the facility 10 according to each type of can be displayed.
  • the facility failure prediction system and method according to an example of the present invention provides failure prediction information for the facility 10 by using a signal in an ultrasonic band among sound wave signals generated during the operation of the facility 10. It is possible to guide the rapid response to the facility 10 in the factory, thereby minimizing the cost of damage caused by the shutdown of the factory.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 초음파 대역을 이용한 설비 고장 예측 시스템 및 그 방법에 관한 것이다. 본 발명의 일례에 따른 초음파 대역을 이용한 설비 고장 예측 시스템은 설비에 인접하여 위치하는 감지 센서; 및 상기 음파 신호로부터 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하고, 이상 신호로 핀별된 이상 신호 판별 정보에 대응되는 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 서버;를 포함한다. 또한, 발명의 일례에 따른 초음파 대역을 이용한 설비 고장 예측 방법은 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 핀별하여 라벨링(Labeling) 정보를 생성하여 저장하는 신호 판별 단계; 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함할 수 있다.

Description

초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
본 발명은 초음파 대역을 이용한 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
보다 구체적으로 본 발명은 설비에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공하는 설비 고장 예측 시스템 및 그 방법에 관한 것이다.
일반적으로 산업현장에서 안정적이고 연속적으로 운전되어야 하는 설비는 설비라인 자체에 치명적인 손상을 주는 돌발 고장과, 예기치 못한 고장으로 설비라인이 중지되어 이로 인한 생산량 감소를 사전에 미리 방지하기 위해 설비고장을 미리 예측하는 방법이 연구 개발되고 있다.
현재 사용되고 있는 고장 예측방법은 설비의 이상 상태 변화를 감지하고, 이때 나타나는 결함을 검출하여 설비나 부품의 상태를 판정하고 수명을 예측하는 방식을 사용하고 있다.
그러나, 종래의 설비의 고장 예측 시스템 내지 방법은 설비의 결함과 관련된 신호를 센싱하는 센서가 설비에 직접 부착되어, 설비의 소리나 진동, 열, 또는 전류 변화를 계측하여 설비의 문제를 탐지하는 것이 대부분이 이었다.
그러나, 이와 같이 설비에 부착되는 센서의 경우, 설비의 지속적인 진동으로 인하여, 센서의 감지에 방해하는 하나의 요소로 작용하여, 정확한 고장 예측에 문제를 발생시켰다.
아울러, 설비의 동작 중 소리를 센싱하여, 설비의 문제를 탐지하는 고장 예측 시스템은 가청 주파수 내에서 설비의 이상음을 감지하는 기존의 사례가 있으나, 이와 같은 경우, 설비의 이상음을 가청 주파수 내에서만 감지하여, 고장 예측의 정확성이 떨어지는 문제점이 있다.
본 발명은 설비 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다.
보다 구체적으로 본 발명은 설비에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공하는 설비 고장 예측 시스템 및 그 방법을 제공하는데, 그 목적이 있다.
본 발명의 일례에 따른 고장 예측 시스템은 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 감지 센서; 상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기; 상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및 상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함한다.
상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함할 수 있다.
상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비될 수 있다.
상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보일 수 있다.
상기 이상 신호 분석기에서 출력되는 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
상기 패턴 분석기는 상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석할 수 있다.
상기 패턴 분석기는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.
상기 감지 센서는 상기 설비로부터 이격되어 있을 수 있다.
상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz 보다 높을 수 있고, 일례로, 상기 샘플링비는 35KHz ~ 300KHz 사이일 수 있다.
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 초음파 대역의 신호를 필터링할 수 있다.
상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출할 수 있다.
본 발명의 일례에 따른 설비 고장 예측 방법은 설비에서 발생되는 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계; 상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하여 저장하는 신호 판별 단계; 상기 판별 정보 중 이상 신호로 핀별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함할 수 있다.
상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용될 수 있다.
상기 이상 신호 분석 정보는 상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
상기 패턴 분석 단계는 상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석할 수 있다.
상기 신호 판별 단계 이전에, 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 음파 수집 단계; 및 상기 수집된 음파 신호를 필터링하여 초음파 대역의 신호를 추출하는 초음파 대역 필터링 단계;를 더 포함할 수 있다.
상기 음파 수집 단계에서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz보다 높을 수 있다.
본 발명의 일례에 따른 설비 고장 예측 시스템 및 그 방법은 설비의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다.
도 1은 본 발명의 일례에 따른 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.
도 2는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이다.
도 3은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 4 내지 도 6은 본 발명의 일례에 따른 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.
도 7은 본 발명의 일례에 따른 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명을 설명하는데 있어서, 해당 분야에 이미 공지된 기술 또는 구성에 대한 구체적인 설명을 부가하는 것이 본 발명의 요지를 불분명하게 할 수 있다고 판단되는 경우에는 상세한 설명에서 이를 일부 생략하도록 한다. 또한, 본 명세서에서 사용되는 용어들은 본 발명의 실시예들을 적절히 표현하기 위해 사용된 용어들로서, 이는 해당 분야의 관련된 사람 또는 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 설비 고장 예측 시스템 및 설비 고장 예측 방법에 대해서 설명한다.
도 1은 본 발명의 일례에 따른 설비 고장 예측 시스템의 개요를 설명하기 위한 도이다.
제조 현장에서 설비(10)의 결함이나 손상이 발생할 경우, 설비(10)의 가동 중단을 야기할 수 있으며 이로 인해 발생하는 경제적 피해의 규모는 막대하기 때문에 고장이 발생하기 전에 조치를 취하는 것이 비용 절감을 위해 매우 중요하게 인식되어 있다.
설비 고장 예측이란 설비(10)의 상태를 실시간으로 진단하여 이상 상태를 조기에 발견하고 미래에 발생할 고장까지 미리 예측하여 적절한 조치를 취할 수 있게 하는 기술로 설비(10)의 안정성을 높일 수 있다.
최근에는 이와 같은 설비 고장 예측을 적용하고자 하는 산업 분야도 확대되고 있는 추세이며, 설비 고장 예측은 생산 매출에 크게 기여될 것으로 전망된다.
이를 위해, 본 발명의 일례에 따른 설비 고장 예측 시스템은 도 1에 도시된 바와 같이, 설비 고장 예측을 위해 필요한 감지 센서(100)와 서버(200)를 포함할 수 있다.
감지 센서(100)는 설비(10)에 인접하여 위치하되, 설비(10)로부터 물리적으로 이격되어 위치할 수 있고, 상기 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다.
이와 같은 본 발명의 일례에 따른 감지 센서(100)는 초음파 음파 신호를 수집하기 때문에 설비(10)에 직접적인 접촉을 하지 않아도 되며 설비(10) 작동 중 발생하는 충격이 제품에 전달되지 않아 상대적으로 내구성을 보다 향상시킬 수 있다.
상기 음파 신호가 신호 처리되어 샘플링되고 초음파 대역의 신호로 필터링되고, 노이즈 제거된 샘플링 데이터에 대해, 서버(200)는 정상 신호인지 이상 신호인지 판별하고, 이상 신호로 판별된 이상 신호 판별 정보에 대한 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하고, 이상 신호 분석 정보의 시계열적 패턴을 분석하여 상기 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.
이를 위해, 서버(200)는 (1) 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하여, (2) 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 분석된 이상 신호 분석 정보를 생성하고, (3) 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 관리자에게 제공하여 설비(10)가 완전히 고장 나기 전에 미리 조치할 수 있도록 할 수 있다.
이와 같은 본 발명의 일례에 따른 설비 고장 예측 시스템은 일반적인 기계 설비(10)의 경우 물리적 고장 발생시 고장 부분뿐만 아니라 연결된 부분의 손상까지 동반하므로 사전 조치를 통해 수리비용 절감 효과를 기대할 수 있다.
또한, 본 발명의 일례에 따른 설비 고장 예측 시스템은 설비(10)의 고장 발생 시, 고장 설비(10)의 수리에 상당한 시간이 소요되기 때문에 사전 조치를 통해 설비(10)의 고장을 예방하여 가동률이 저하되는 상황을 차단할 수 있으므로 제품 생산성 향상 효과를 기대할 수 있다.
아울러, 본 발명의 일례에 따른 설비 고장 예측 시스템은 설비 고장 예측을 통해 설비(10)의 이상 상태에 대한 사전 조치가 가능하여 설비(10) 고장의 전조 증상 중 하나인 제품 품질 저하를 예방할 수 있어 생산 제품의 품질 유지 및 향상을 기대할 수 있다.
이와 같은 설비 고장 예측 시스템에서는 미세한 감지를 위해 초음파 대역에 대해 측정 가능한 고감도 오디오 카드가 감지 센서(100)에 포함될 수 있다.
또한, 효율적인 데이터 분석을 위해, 음파 신호를 분석하기 이전에 공장 환경의 노이즈가 제거된 샘플링 데이터가 추출될 수 있으며, 추출된 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하기 위하여 머신 런닝(Machine learning)이 적용될 수 있다.
아울러, 샘플링 데이터가 이상 신호인 것으로 판별된 경우, 해당 이상 신호에 대한 로우 데이터(low data)인 샘플링 데이터를 이용하여 딥러닝 알고리즘(Deep learning algorithm)이 적용되어, 보다 정확하고 효율적으로 이상 신호를 발생시키는 설비의 이상 유형의 종류와 정도에 대한 이상 신호 분석 정보를 제공할 수 있다.
더불어, 상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 이용하여, 서버 내에 미리 설치된 패턴 분석 프로그램을 실행하여, 설비에 대한 고장 예측 정보를 제공할 수 있다.
이하에서는 이와 같은 본 발명의 일례에 적용되는 감지 센서(100)와 서버(200)의 구성에 대해 보다 구체적으로 설명한다.
도 2는 도 1에 도시된 감지 센서(100)의 일례에 대해 설명하기 위한 도이고, 도 3은 도 1에 도시된 서버(200)의 일례에 서버(200)의 일례에 대해 설명하기 위한 도이다.
도 2 및 도 3에서는 감지 센서(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 도 2 및 도 3과 다르게 초음파 대역 필터링 모듈(130)은 감시 센서가 아닌 서버(200)에 구비되는 것도 가능하다.
다만, 이하에서는 설명의 편의상 도 2 및 도 3에 도시된 바와 같이, 감지 센서(100)가 초음파 대역 필터링 모듈(130)을 구비하고, 서버(200)는 초음파 대역 필터링 모듈(130)을 구비하지 않는 경우를 일례로 설명한다.
또한, 도 2 및 도 3에서는 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 도 2 및 도 3과 다르게, 감지 센서(100)가 샘플링 데이터 추출기(213)을 구비하고, 서버(200)가 샘플링 데이터 추출기(213)을 구비하지 않는 경우도 가능하다.
다만, 이하에서는 설명의 편의상 도 2 및 도 3에 도시된 바와 같이, 서버(200)가 샘플링 데이터 추출기(213)을 구비하고, 감지 센서(100)는 샘플링 데이터 추출기(213)을 구비하지 않는 경우를 일례로 설명한다.
또한, 도 3에서는 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)가 하나의 서버에 구비된 경우를 일례로 도시하였으나, 본 발명이 반드시 이에 한정되는 것은 아니고, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216) 각각은 서로 이격되어 서로 다른 서버에 구비되는 것도 가능하다.
감지 센서(100)는 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집하기 위해, 센싱부(110), 샘플링부(120), 초음파 대역 필터링 모듈(130) 및 통신부(140)를 포함할 수 있다.
센싱부(110)는 설비(10)와 물리적으로 이격된 상태에서 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 일례로, 센싱부(110)에는 MEMS 마이크로 회로가 구비될 수 있다.
샘플링부(120)는 센싱부(110)에서 아나로그 신호 형태로 수집된 음파 신호를 디지털 신호로 변환하는 역할을 할 수 있으며, 고감도 측정 및 분석이 가능하도록 하기 위하여, 별도의 필터와 증폭 회로를 구비하여, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)를 35KHz 보다 높게 할 수 있다.
일례로, 상기 샘플링비는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.
초음파 대역 필터링 모듈(130)은 고감도로 샘플링된 디지털 음파 신호로부터 초음파 대역의 신호를 필터링하여 추출할 수 있다. 즉, 음파 신호에서 초음파 대역보다 낮은 대역의 신호를 제거하고, 초음파 대역의 음파 신호만 추출할 수 있다.
이와 같이 추출되는 초음파 대역의 음파 신호는 35KHz 이상일 수 있으며, 일례로 35KHz~300KHz 대역의 음파 신호를 포함할 수 있다.
통신부(140)는 감지 센서(100)에서 수집된 음파 신호를 무선 또는 유선을 통하여 서버(200)로 전송할 수 있다. 도 1에서는 감지 센서(100)와 서버(200)가 유선으로 연결된 경우를 일례로 도시하였으나, 본 발명은 반드시 이에 한정되는 것은 아니고, 감지 센서(100)가 서버(200)가 인터넷 망을 통하여 무선으로 연동되는 것도 가능하다.
서버(200)는 도 3에 도시된 바와 같이, 제어부(210)와 데이터 베이스부(220)를 포함할 수 있다.
데이터 베이스부(220)는 샘플링 데이터를 저장하고, 샘플링 데이터에 대해 신호 판별을 수행하여, 정상 신호인지 이상 신호인지 판별된 데이터 정보인 판별 정보가 저장될 수 있다.
이를 위해, 데이터 베이스부(220)는 타겟 신호에 대한 로우 데이터(low-data) 형태를 갖는 샘플링 데이터가 저장되는 샘플링 데이터 DB(221)와 샘플링 데이터에 대해 신호 판별이 수행되어 생성된 판별 정보가 저장되는 감지된 신호 정보 DB(223)를 포함할 수 있다.
여기서, 데이터 베이스부(220)에 저장되는 샘플링 데이터는 아나로그 신호가 샘플링(sampling)되어 디지털 신호로 변환된 신호에 대해, 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있다.
이와 같은 각각의 샘플링 데이터는 미리 결정된 시간 기준으로 세분화되어 저장될 수 있다. 일례로, 세분화된 시간 기준이 0.5msec 단위로 결정된 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 0.5msec의 시간 길이를 가질 수 있으며, 세분화된 시간 기준이 1초인 경우, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터는 1초의 시간 길이를 가질 수 있다.
이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 미리 결정된 시간 기준 동안 해당 신호의 파형에 대한 정보와 샘플링 데이터에 대한 시간 정보를 포함할 수 있다.
이와 같이, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 시간 길이는 서버에 미리 설정될 수 있으며, 최적화를 위해 따라 서버 관리자에 의해 얼마든지 변경될 수 있다.
이와 같은 샘플링 데이터 DB(221)는 신호 판별을 위해 초기에 샘플링 데이터의 트레이닝(training)과 테스트(test)에 이용될 수 있을 뿐만 아니라, 설비 고장 예측 시스템이 초기 이후 동작하는 내내 사용 가능하고, 샘플링 데이터의 이상 신호 여부를 판별하는데 이용될 수 있다.
감지된 신호 정보 DB(223)는 샘플링 데이터 DB(221)에 있는 샘플링 데이터에 대해 신호 판별을 수행한 판별 정보가 저장될 수 있다.
이와 같은 판별 정보는 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터 각각에 대해 신호 판별된 정보이므로, 각각의 판별 정보에는 해당되는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.
일례로, 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호로 판별한 정상 신호 판별 정보가 저장될 수 있으며, 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 이상 신호로 판별한 이상 신호 판별 정보가 저장될 수 있다.
따라서, 감지된 신호 정보 DB(223)에 저장되는 정상 신호 판별 정보의 개수와 이상 신호 판별 정보의 총 개수의 합은 샘플링 데이터 DB(221)에 저장된 샘플링 데이터의 총 개수의 합과 같을 수 있고, 각각의 정상 신호 판별 정보와 이상 신호 판별 정보는 샘플링 데이터 각각과 매칭될 수 있다.
따라서, 서버가 감지된 신호 정보 DB(223)에서 어떤 하나의 이상 신호 판별 정보를 선택하는 경우, 해당 이상 신호 판별 정보에 대한 로우 데이터 형태를 갖는 샘플링 데이터도 샘플링 데이터 DB(221)에서 선택할 수 있다.
제어부(210)는 음파 신호로부터 초음파 대역인 샘플링 데이터를 추출하여 신호 처리된 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하고, 이상 신호로 판별된 샘플링 데이터에 대해서는 이상 신호 분석을 수행하여, 해당 샘플링 데이터에 대한 이상 신호 분석 정보를 생성하고, 정상 신호 샘플링 정보와 이상 신호 분석 정보를 시계열적으로 배열하여, 정상 신호 샘플링 정보와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비의 고장에 대한 예측 정보를 제공할 수 있다.
이를 위해, 제어부(210)는 통신 모듈(211), 샘플링 데이터 추출기(213), 신호 판별기(214), 이상 신호 분석기(215), 패턴 분석기(216) 및 출력 모듈(217)을 포함할 수 있다.
통신 모듈(211)은 감지 센서(100)와 유선 또는 무선으로 연동되어, 감지 센서(100)로부터 전송되는 초음파 대역의 음파 신호를 수신할 수 있다. 이와 같이, 서버의 통신 모듈로 입력되는 음파 신호는 일례로, 샘플링되고, 초음파 대역으로 필터링된 신호에 대한 데이터 정보일 수 있다.
샘플링 데이터 추출기(213)는 통신 모듈을 통해 입력된 초음파 대역의 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다. 구체적으로, 설비(10)가 위치한 공장 환경에서 들어오는 음파 신호는 설비(10)의 물리적 기계음 및 인적 소음과 같은 불필요한 노이즈 정보가 합성된 음파 신호일 수 있다.
이와 같은 음파 신호에서 샘플링 데이터 추출기(213)는 노이즈를 필터링하여 제거함으로써, 설비(10)의 특정 부분이 발생시키는 음파 신호로부터 샘플링 데이터를 추출하고, 추출된 샘플링 데이터를 데이터 분석에 사용하여, 분석의 정확도를 높일 수 있다.
이와 같이, 제어부는 설비에서 측정된 음파 신호에 대해, 샘플링하고, 초음파 대역 필터링하고, 노이즈를 제거한 로우 데이터(low-data) 형태의 샘플링 데이터를 이용하여, 샘플링 데이터를 판별하고 분석하여, 시계열적으로 패턴을 사용자 또는 관리자에게 설비에 대한 예측 정보를 제공할 수 있다.
이를 수행하기 위해, 제어부는 전술한 바와 같이, 신호 판별기(214), 이상 신호 분석기(215) 및 패턴 분석기(216)를 포함할 수 있다.
신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 샘플링 데이터 각각에 대해 정상 신호인지, 이상 신호인지 판별하고, 각각의 판별된 샘플링 데이터에 대해 판별 정보를 생성할 수 있다.
여기서, 판별 정보는 일례로, 어떤 샘플링 데이터가 정상 신호로 판별된 경우, 해당 샘플링 데이터에 대해 정상 신호 판별 정보(Sn)를 생성할 수 있다. 또한, 어떤 샘플링 데이터가 이상 신호로 판별된 경우, 해당 샘플링 대이터에 대해 이상 신호 판별 정보(Sa)를 생성할 수 있다.
이와 같이, 복수의 샘플링 데이터에 대해 신호 판별기(214)가 판별된 정상 신호 판별 정보와 이상 신호 판별 정보는 감지된 신호 정보 DB(223)에 업데이트 및 저장될 수 있다.
이와 같은 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.
이와 같은 머신 러닝 기술의 샘플링 데이터의 판별에 대한 정확도를 보다 향상되도록 하기 위하여, 머신 러닝 기술을 실제 적용함에 있어, 샘플링 데이터 DB(221)에 저장된 샘플링 데이터를 이용하여 샘플링 데이터 각각에 대하여, 정상 신호인지, 아니면 이상 신호인지 여부를 반복적으로 판별하는 트레이닝(training)과 테스트(test)가 수행될 수 있다.
이와 같이, 신호 판별기(214)는 샘플링 데이터 DB(221)에 저장된 각각의 샘플링 데이터에 대해 이상 신호 여부를 판별하여, 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.
이상 신호 분석기(215)는 신호 판별기(214)에서 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대해 이상 유형의 종류와 정도에 대해 분석하여, 이상 신호 분석 정보를 생성할 수 있다.
이에 따라, 이상 신호 분석기(215)에서 생성되는 이상 신호 분석 정보는 해당 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석된 값이 포함될 수 있다.
이와 같이, 이상 신호 분석기(215)가 샘플링 데이터를 분석함에 있어서, 딥 러닝 알고리즘(Deep Learning Algorithms)이 적용될 수 있다.
패턴 분석기(216)는 신호 판별기(214)에서 판별되어, 데이터 베이스부(220)에 저장된 정보 중에서 정상 신호 판별 정보와 이상 신호 분석기(215)에서 분석된 이상 신호 판별 정보의 샘플링 데이터에 대한 이상 신호 분석 정보를 시계열적으로 배열하고, 이에 대한 패턴 분석을 수행할 수 있다.
이와 같이, 패턴 분석기(216)가 패턴 분석을 수행함에 있어, 미리 설치된 패턴 분석 프로그램이 이용될 수 있다. 일례로, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.
이와 같이, 패턴 분석기(216)가 정상 신호 판별 정보와 이상 신호 분석 정보를 이용하여, 그 패턴 정보를 분석함으로써, 설비 고장의 정도를 판단할 수 있으며, 설비 고장의 원인을 판단할 수 있다.
출력 모듈(217)은 패턴 분석기(216)에서 분석된 설비 고장의 정도와 원인을 이용하여 설비(10)에 대한 고장 예측 정보를 제공할 수 있다.
이하에서는 이와 같은 고장 설비(10) 예측 시스템이 동작하는 방법의 일례에 대해 설명한다.
도 4 내지 도 6은 본 발명의 일례에 따른 설비 고장 예측 방법의 일례를 설명하기 위한 도이다.
구체적으로, 도 4는 본 발명의 일례에 따른 설비 고장 예측 방법에 대한 플로우 차트를 도시한 것이고, 도 5는 도 4에 기재된 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6)를 보다 구체적으로 설명하기 위한 도이고, 도 6은 본 발명의 일례에 따른 설비 고장 예측 시스템 상에서 설비 고장 예측 방법이 수행될 때의 신호의 흐름을 설명하기 위한 도이다.
본 발명의 일례에 따른 설비 고장 예측 방법은 도 4에 도시된 바와 같이, 음파 수집 단계(S1), 초음파 대역 필터링 단계(S2), 샘플링 데이터 추출 단계(S3), 신호 판별 단계(S4), 이상 신호 분석 단계(S5), 패턴 분석 단계(S6) 및 출력 단계(S7)를 포함할 수 있다.
음파 수집 단계(S1)에서는 감지 센서(100)가 설비(10)가 동작할 때 발생되는 소리로부터 음파 신호를 수집할 수 있다. 여기서 수집되는 음파 신호는 아나로그 신호일 수 있으며, 디지털 신호로 변환될 수 있다.
음파 수집 단계(S1)에서는 수집된 음파 신호를 디지털 신호로 변환될 때, 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz ~ 300KHz 사이일 수 있으며, 바람직하게는 100KHz ~ 300KHz, 보다 바람직하게는 190KHz ~ 300KHz 사이일 수 있다.
초음파 대역 필터링 단계(S2)에서는 디지털 신호로 변환된 음파 신호에서 초음파 대역이 필터링되어, 초음파 대역의 음파 신호가 추출될 수 있다.
샘플링 데이터 추출 단계(S3)는 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 샘플링 데이터를 추출할 수 있다.
일례로, 노이즈 필터링 방법은 음파 신호가 수집되기 이전에, 환경 소음 또는 배경 소음에 대한 노이즈 신호 정보를 미리 취득하여, 해당 음파 신호에 대한 노이즈 필터로 적용할 수 있다. 그러나, 본 발명의 노이즈 필터링 방법은 반드시 이에 한정되는 것은 아니고, 얼마든지 다른 방법으로 수행될 수 있다.
이와 같이, 샘플링 데이터 추출 단계에서 추출되는 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 데이터일 수 있다.
이와 같이, 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 도 6에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장될 수 있다. 이와 같이, 샘플링 데이터 DB(221)에 저장되는 샘플링 데이터는 해당 신호의 파형에 대한 정보와 샘플링 데이터의 생성 시간 정보를 포함할 수 있다.
신호 판별 단계(S4)에서는 신호 판별기(214)가 샘플링 데이터 DB(221)로부터 샘플링 데이터를 입력받아, 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하고, 생성된 판별 정보를 감지된 신호 정보 DB(223)에 저장할 수 있다.
여기서, 신호 판별기(214)는 일례로, 머신 러닝(Machine Learning) 기술 중 Unsupervised Learning의 K-mean Algorithm을 적용하여, 복수의 샘플링 데이터에 대해 정상 신호 인지 이상 신호인지 여부를 판별할 수 있다. 그러나 본 발명이 반드시 전술한 머신 러닝만 적용되는 것에 한정되는 것은 아니다.
감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터가 정상 신호인지 또는 이상 신호인지에 대한 판별 정보와, 샘플링 데이터 자체에 대한 식별 정보 또는 시간 정보가 포함될 수 있다.
아울러, 판별 정보는 샘플링 데이터가 정상 신호임을 나타내는 정상 신호 판별 정보(Sn)와 샘플링 데이터가 이상 신호임을 나타내는 이상 신호 판별 정보(Sa)를 포함할 수 있다.
일례로, 신호 판별 단계(S4)에서는 도 6에 도시된 바와 같이, 샘플링 데이터 DB(221)에 저장된 복수의 샘플링 데이터에 대해 정상 신호인지 또는 이상 신호인지 판별하여, 일례로, 샘플링 데이터 1 => 정상 신호 판별 정보(Sn), 샘플링 데이터 2 => 정상 신호 판별 정보(Sn), 샘플링 데이터 3 => 이상 신호 판별 정보(Sa)로 판별된 판별 정보가 생성될 수 있고, 도시되지는 않았지만, 각각의 판별 정보는 해당 샘플링 데이터 자체에 대한 식별 정보가 포함될 수 있다.
신호 판별 단계(S4)에서, 도 5 및 도 6에 도시된 바와 같이, 감지된 신호 정보 DB(223)에 저장되는 판별 정보는 샘플링 데이터에 대한 판별 정보가 정상 신호 판별 정보(Sn)인지 또는 이상 신호 판별 정보(Sa)인지 구별하여, 판별 정보가 정상 신호 판별 정보(Sn)인 경우(도 5의 S41), 제어부(210)는 감지된 신호 정보 DB(223)에 저장된 정상 신호 판별 정보(Sn)를 패턴 분석기(216)로 출력할 수 있다.
또한, 판별 정보가 이상 신호 판별 정보(Sa)인 경우(도 5의 S42), 제어부(210)는 감지된 신호 정보 DB(223)에 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 DB(221)의 샘플링 데이터를 이상 신호 분석기(215)로 출력할 수 있다.
즉, 도 6과 같이, 판별 정보가 이상 신호 판별 정보(Sa)인 경우, 제어부(210)는 이상 신호 판별 정보(Sa)의 해당 샘플링 데이터를 보다 면밀하게 분석하기 위하여, 이상 신호 분석기(215)로 해당 샘플링 데이터를 출력하여, 이상 신호 분석 단계(S5)가 수행될 수 있다.
이상 신호 분석 단계(S5)는 판별 정보 중 이상 신호 판별 정보(Sa)에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 생성할 수 있다.
일례로, 신호 판별 단계(S4)에서, 도 6에 도시된 바와 같이, 샘플링 데이터 3이 이상 신호로 판별된 경우, 해당 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터 3을 샘플링 데이터 DB(221)로부터 출력하여, 이상 신호 분석기(215)로 입력할 수 있다.
여기서, 샘플링 데이터 3은 대한 미리 결정된 시간 기준 동안의 로우 데이터(low-data) 형태를 가질 수 있으며, 이상 신호 분석기(215)는 이와 같은 샘플링 데이터 3에 포함된 로우 데이터를 분석할 수 있다.
이상 신호 분석기(215)는 이상 신호로 판별된 샘플링 데이터를 분석하기 위하여 딥 러닝 알고리즘(Deep Learning Algorithms)을 적용할 수 있다.
이와 같이, 이상 신호 분석기(215)에서 샘플링 데이터를 분석하여 생성되는 이상 신호 분석 정보는 이상 신호 판별 정보(Sa)에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함할 수 있다.
예를 들어, 이상 신호 분석기(215)는 이상 신호 분석 정보로 R1-50%, R3-60%, R5-30% 등의 이상 신호 분석 정보를 생성할 수 있다. 이상 신호 분석기(215)는 하나의 샘플링 데이터에 대해 하나의 이상 유형의 종류와 정도를 생성할 수 있다.
예를 들어, 샘플링 데이터 3에 대해서는 이상 유형 종류 1, 정도 50%를 나타내는 R1-50%이 이상 신호 분석 정보로 생성될 수 있다. 따라서, R1-50%, R3-60%, R5-30%는 3개의 샘플링 데이터 각각에 대해 분석된 이상 신호 분석 정보를 의미할 수 있다.
여기서, R1, R3, R5 등은 이상 유형의 종류를 의미할 수 있다. 즉, 이상 신호로 판별된 해당 샘플링 데이터를 발생시키는 유형을 의미할 수 있다. 이와 같은 이상 유형은 설비의 고장을 발생시키는 여러가지 원인 중 하나의 원인일 수 있다.
또한, R1-50%, R3-60%, R5-30% 각각에 연동되는 백분율을 해당 이상 유형의 정도 또는 심각성을 의미할 수 있다.
따라서, R3-60%라는 의미는 이상 유형 3에 해당되고, 그 정도가 60%임을 의미하고, R5-30%라는 의미는 이상 유형 5에 대항되고, 그 정도가 30%임을 의미할 수 있다.
이와 같이, 이상 신호 분석기(215)에서 분석하는 이상 유형은 설비 각각에 따라 다르게 설정될 수 있으며, 관리자 또는 사용자에 의해 얼마든지 변경될 수 있다.
이와 같이, 이상 신호 분석 단계(S5)에서 이상 신호 분석기(215)에 의해 분석된 이상 신호 분석 정보는 패턴 분석기(216)로 출력될 수 있고, 이후, 패턴 분석 단계(S6)가 수행될 수 있다.
패턴 분석 단계(S6)에서는 패턴 분석기(216)가 복수의 판별 정보 중 정상 신호로 판별된 정상 신호 판별 정보(Sn)를 감지된 신호 정보 DB(223)로부터 입력받고, 이상 신호 분석 정보를 이상 신호 분석기(215)로부터 입력받아 설비 고장의 패턴을 분석할 수 있다.
이를 위해, 패턴 분석기(216)는 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열할 수 있다.
예를 들어, 시간의 순서에 따라 R1-50%, Sn, R3-60%, R5-30%, R3-60%, …, Sn, Sn의 순서로 복수의 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보(R1-50%, R3-60%, R5-30%, R3-60%)가 시계열적으로 배열될 수 있으며, 이와 같은 배열된 패턴을 패턴 분석기(216)가 분석할 수 있다.
이와 같이, 시계열적으로 배열된 패턴은 시간 순서대로 입력되는 샘플링 데이터 각각에 대한 신호의 특성을 분석한 정보일 수 있다.
패턴 분석기(216)는 이와 같은 정상 신호 판별 정보(Sn)와 이상 신호 분석 정보의 시계열적 패턴을 분석하여, 설비의 고장 정도와 설비의 고장 원인을 판단할 수 있다.
이와 같은 패턴 분석기(216)가 시계열적 패턴을 분석함에 있어, HMM(Hidden Markov Model), Deep Learning 학습 모델 중 시계열 데이터 분석에 특화되어 있는 Recurrent Neural Network를 학습 모델, 장기간 또는 단기간 데이터의 정보를 활용하여 다양한 경우의 데이터 패턴 학습을 위해 LSTM(Long-Short Term Memory) 중 적어도 하나가 적용될 수 있다. 그러나, 본 발명이 반드시 이에 한정되는 것은 아니다.
출력 단계(S7)에서는 패턴 분석기(216)에서 분석된 설비의 고장 정도와 설비의 고장 원인을 설비의 고장 예측 정보로 출력할 수 있다.
도 7은 본 발명의 일례에 따른 설비 고장 예측 시스템이 제공하는 고장 예측 정보의 일례를 설명하기 위한 도이다.
본 발명의 일례에 따른 설비 고장 예측 시스템은 도 7에 도시된 바와 같이, 고장 예측 정보를 제공할 수 있다.
구체적으로, 고장 예측 정보는 적어도 설비(10)의 현재 상태 및 설비(10)의 고장이 발생될 때까지의 예측 정보를 포함할 수 있다.
일례로, 도 7에 도시된 바와 같이, 고장 예측 정보는 설비(10)의 이름, 고장이 발생될 때까지의 가능성을 퍼센트로 표시한 예측 정보, 정상 신호 발생 횟수, 이상 신호 발생 횟수, 이상 유형의 각 종류에 따른 정도, 발생 간격, 설비(10) 고장시까지의 예측 백분율 등이 표시될 수 있다.
이와 같은 본 발명의 일례에 따른 설비 고장 예측 시스템 및 방법은 설비(10)의 동작 과정에서 발생되는 음파 신호 중 초음파 대역의 신호를 이용하여 설비(10)에 대한 고장 예측 정보를 제공함으로써, 사용자가 공장 내의 설비(10)에 대해 신속한 대응을 하도록 안내할 수 있고, 이로 인하여 공장의 가동 중단에 따른 손해 비용을 최소화하도록 할 수 있다.
본 발명은 상술한 실시예 및 첨부한 도면에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자의 관점에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명의 범위는 본 명세서의 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (18)

  1. 설비에 인접하여 위치하고, 상기 설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 감지 센서;
    상기 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출기;
    상기 샘플링 데이터가 정상 신호인지 이상 신호인지 여부를 판별하여 복수의 판별 정보를 생성하는 신호 판별기;
    상기 복수의 판별 정보 중 이상 신호로 판별된 이상 신호 판별 정보에 대응되는 상기 샘플링 데이터를 분석하여 이상 신호 분석 정보를 생성하는 이상 신호 분석기; 및
    상기 복수의 판별 정보 중 상기 정상 신호로 판별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보에 대한 패턴을 분석하여 상기 설비에 대한 고장 예측 정보를 제공하는 패턴 분석기;를 포함하는 설비 고장 예측 시스템.
  2. 제1 항에 있어서,
    상기 샘플링 데이터를 저장하는 샘플링 데이터 DB와 상기 샘플링 데이터가 정상 신호 또는 이상 신호로 핀별된 판별 정보를 저장하는 감지된 신호 정보 DB를 구비하는 데이터 베이스부를 더 포함하는 설비 고장 예측 시스템.
  3. 제2 항에 있어서,
    상기 신호 판별기, 상기 이상 신호 분석기 및 상기 패턴 분석기는 하나의 서버에 구비되는 설비 고장 예측 시스템.
  4. 제3 항에 있어서,
    상기 신호 판별기로 입력되는 상기 샘플링 데이터는 미리 결정된 시간 기준으로 세분화된 정보인 설비 고장 예측 시스템.
  5. 제3 항에 있어서,
    상기 이상 신호 분석기에서 출력되는 이상 신호 분석 정보는
    상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함하는 설비 고장 예측 시스템.
  6. 제3 항에 있어서,
    상기 패턴 분석기는
    상기 정상 신호 판별 정보를 상기 감지된 신호 정보 DB로부터 입력받고, 상기 이상 신호 분석 정보를 상기 이상 신호 분석기로부터 입력받아 정보의 패턴을 분석하는 설비 고장 예측 시스템.
  7. 제3 항에 있어서,
    상기 패턴 분석기는
    상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석하는 설비 고장 예측 시스템.
  8. 제1 항에 있어서,
    상기 감지 센서는 상기 설비로부터 이격되어 있는 설비 고장 예측 시스템.
  9. 제1 항에 있어서,
    상기 감지 센서는 수집된 상기 음파 신호를 디지털 신호로 변환하되, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz 보다 높은 설비 고장 예측 시스템.
  10. 제9 항에 있어서,
    상기 샘플링비는 35KHz ~ 300KHz 사이인 설비 고장 예측 시스템.
  11. 제3 항에 있어서,
    상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 수집된 음파 신호로부터 초음파 대역의 신호로 필터링하는 설비 고장 예측 시스템.
  12. 제11 항에 있어서,
    상기 감지 센서 또는 상기 서버 중 어느 하나는 상기 추출된 초음파 대역의 신호로부터 노이즈를 제거하여 상기 샘플링 데이터를 추출하는 설비 고장 예측 시스템.
  13. 설비에서 발생되는 음파 신호를 샘플링하고 노이즈를 제거하여 샘플링 데이터를 추출하는 샘플링 데이터 추출 단계;
    상기 샘플링 데이터가 정상 신호인지 이상 신호인지 판별하여 판별 정보를 생성하여 저장하는 신호 판별 단계;
    상기 판별 정보 중 이상 신호로 핀별된 이상 신호 판별 정보에 대응하는 샘플링 데이터를 입력받아 분석하여, 이상 신호 분석 정보를 출력하는 이상 신호 분석 단계; 및
    상기 복수의 판별 정보 중 상기 정상 신호로 핀별된 정상 신호 판별 정보와 상기 이상 신호 분석 정보로부터 상기 설비 고장의 패턴을 분석하는 패턴 분석 단계;를 포함하는 설비 고장 예측 방법.
  14. 제13 항에 있어서,
    상기 신호 판별 단계에서는 미리 결정된 시간 기준으로 세분화된 샘플링 데이터가 이용되는 고장 예측 방법.
  15. 제13 항에 있어서,
    상기 이상 신호 분석 정보는
    상기 이상 신호 판별 정보에 대응되는 샘플링 데이터에 대한 이상 유형의 종류와 정도에 대해 분석한 값을 포함하는 고장 예측 방법.
  16. 제13 항에 있어서,
    상기 패턴 분석 단계는
    상기 정상 신호 판별 정보와 상기 이상 신호 분석 정보를 시간의 순서에 따라 시계열적으로 배열하여, 패턴을 분석하는 고장 예측 방법.
  17. 제13 항에 있어서,
    상기 신호 판별 단계 이전에,
    설비가 동작할 때 발생되는 소리로부터 음파 신호를 수집하는 음파 수집 단계;
    상기 음파 신호를 디지털 신호로 변환하는 단계; 및
    상기 수집된 음파 신호를 필터링하여 초음파 대역의 신호를 추출하는 초음파 대역 필터링 단계;를 더 포함하는 고장 예측 방법.
  18. 제17 항에 있어서,
    상기 디지털 신호로 변환하는 단계에서, 상기 디지털 신호로 변환하기 위한 샘플링비(sampling rate)는 35KHz보다 높은 설비 고장 예측 방법.?
PCT/KR2019/017803 2019-11-18 2019-12-16 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 WO2021100967A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE112019007899.2T DE112019007899T5 (de) 2019-11-18 2019-12-16 System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband
US17/003,562 US20210149387A1 (en) 2019-11-18 2020-08-26 Facility failure prediction system and method for using acoustic signal of ultrasonic band

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0147610 2019-11-18
KR1020190147610A KR20210060049A (ko) 2019-11-18 2019-11-18 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/003,562 Continuation US20210149387A1 (en) 2019-11-18 2020-08-26 Facility failure prediction system and method for using acoustic signal of ultrasonic band

Publications (1)

Publication Number Publication Date
WO2021100967A1 true WO2021100967A1 (ko) 2021-05-27

Family

ID=75980667

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/017803 WO2021100967A1 (ko) 2019-11-18 2019-12-16 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (2) KR20210060049A (ko)
WO (1) WO2021100967A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006300895A (ja) * 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
KR20090131242A (ko) * 2009-02-17 2009-12-28 박준 초음파 탐지를 이용한 가공 배전 선로 전력 설비의 불량 개소 검출 시스템 및 방법
KR20120051172A (ko) * 2010-11-12 2012-05-22 대진대학교 산학협력단 음향감지를 이용한 품질관리 시스템 및 그 제공방법
KR101204499B1 (ko) * 2012-05-25 2012-11-26 주식회사 서울산전 영상기능이 부가된 전력설비진단용 초음파 진단장치
KR101235777B1 (ko) * 2011-09-26 2013-02-21 유성훈 복합진단장비를 이용한 인공지능형 전력설비 진단 판정시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006300895A (ja) * 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
KR20090131242A (ko) * 2009-02-17 2009-12-28 박준 초음파 탐지를 이용한 가공 배전 선로 전력 설비의 불량 개소 검출 시스템 및 방법
KR20120051172A (ko) * 2010-11-12 2012-05-22 대진대학교 산학협력단 음향감지를 이용한 품질관리 시스템 및 그 제공방법
KR101235777B1 (ko) * 2011-09-26 2013-02-21 유성훈 복합진단장비를 이용한 인공지능형 전력설비 진단 판정시스템
KR101204499B1 (ko) * 2012-05-25 2012-11-26 주식회사 서울산전 영상기능이 부가된 전력설비진단용 초음파 진단장치

Also Published As

Publication number Publication date
KR20220062250A (ko) 2022-05-16
KR102500140B1 (ko) 2023-02-16
KR20210060049A (ko) 2021-05-26

Similar Documents

Publication Publication Date Title
WO2021107342A1 (ko) 딥러닝 기반의 시계열 분석을 이용한 회전설비 진동 상태 감시 장치 및 방법
KR102249113B1 (ko) 스마트 팩토리에서의 자동화설비 고장예측시스템 및 고장예측방법
WO2013027970A1 (ko) 네트워크의 이상증후를 탐지하는 장치 및 방법
US20230162484A1 (en) Apparatus and method for generating learning data for artificial intelligence model
WO2023128669A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
KR20220127209A (ko) 설비 고장 예측 시스템 및 그 방법
US20210149387A1 (en) Facility failure prediction system and method for using acoustic signal of ultrasonic band
KR102392951B1 (ko) 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
CN116383633A (zh) 一种多因素综合分析的机制砂振动筛故障检测方法及***
KR20210006832A (ko) 기계고장 진단 방법 및 장치
WO2021100967A1 (ko) 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법
WO2019177232A1 (ko) 구동부의 정밀 예지 보전방법
CN116937818B (zh) 对内部进行实时监控的高压直流配电柜监控***
WO2022071615A1 (ko) 장애 예측 방법, 그리고 이를 구현하기 위한 장치
CN116796261A (zh) 一种基于人工智能的封闭开关设备机械特性预测方法
CN117373478A (zh) 一种用于变压器的声纹识别***
KR102325439B1 (ko) 사출 성형 설비의 고장 예측 시스템 및 그 방법
WO2022225117A1 (ko) 실시간 이상 탐지를 위한 gnn 기반의 마스터 상태 생성 방법
CN115165362A (zh) 一种基于巡检及振动信号的轴承故障智能检测***和方法
WO2024034891A1 (ko) 공정 운영 방법 및 상기 방법을 수행하는 전자 장치
WO2023128668A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
KR20210014452A (ko) 제조 공정 비정상 데이터 탐지 시스템
WO2022260221A1 (ko) 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템
CN111191638A (zh) 一种因果模型的人脸信息与体温信息检测方法及***

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19953288

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19953288

Country of ref document: EP

Kind code of ref document: A1